Apache 服务器项目开发者提交代码时不慎泄露 GitHub 令牌，事后开发者解释称这是人为失误，并非使用 AI 辅助提交造成的问题。另外 GitHub 有个机制就是检测凭证泄露，如果检测到 GitHub 令牌就会直接将令牌吊销，接着还会发邮件通知开发者：

腾讯云开源了 AI Agent 沙盒 Cube Sandbox，Rust 编写，Apache 2.0 协议。 Agent 跑模型生成的代码需要一个隔离环境，避免误删文件或越权访问主机。这类服务的接口事实标准是 E2B，OpenAI Agents SDK、Manus、Perplexity、Hugging Face 都接它。Cube 对 E2B 做完全兼容，原本接 E2B 的 Agent 只要改一个环境变量就能切过来。 腾讯云公布了两组性能数据。单并发冷启动低于 60ms，50 并发时平均 67ms、P95 90ms、P99 137ms。单实例常驻内存低于 5MB（沙盒规格不超过 32GB 时测得），一台 96 核服务器可同时跑 2000 多个沙箱。同场景下 Docker 容器启动约 200ms、共享主机内核；传统虚拟机启动以秒计、单实例内存 20MB 起。 Cube 的做法是给每个 Agent 开一套独立的 Guest OS 内核，走硬件级隔离，同时把启动时间压到百毫秒内。加速靠资源池预置、快照克隆、底层锁优化；压内存靠 Rust 重写、CoW 内存复用、reflink 磁盘共享。项目还附带 CubeVS，用 eBPF 做沙盒之间的网络隔离。 规模化验证给了两个案例。Cube 原本跑在腾讯云 Serverless 体系里，承载过百亿级调用。元宝 AI 编程场景迁到 Cube 后，资源核时消耗降了 95.8%。外部客户里，MiniMax 在 Agentic RL 训练中靠 Cube 做到分钟级调度数十万沙箱实例。下一步规划是把事件级快照回滚也开源出去，提供百毫秒级状态回滚。

來了,我們現在要保衛我們自己的開源權重了？ Pirate Face（ @ThePirateFace）2026-07 上線。官方程式：把 HF 上 Apache-2.0 / MIT 的模型做成 magnet，裡面塞進 HF 自己的 HTTPS 當 web-seed（BitTorrent BEP-19）。 HF 還在，你其實還是從 HF 拉；HF 下架那天，web-seed 死掉，才改走 swarm，頁面標 Rescued。每個檔案對官方 SHA-256，對不上就下不完。他們自稱不自己托管權重，只做索引 + magnet。目錄號稱 66 萬+ 合資格模型。 機制拆開就三層： 索引 — 哪個 repo、授權、hash、magnet。 平時下載 — 還是 HF。所以速度、來源跟你直接 沒差。 真正的保險 — 有人在下架之前就把 bytes 種在硬碟上。沒有 seed，Rescued 只是一條死磁鐵。 這也是現在最醜的物理事實：leaderboard 上熱門模型大多寫 🌱 0。all-MiniLM-L6-v2 這種 91MB 才看到 1 個 seeder。Qwen3.8-27B、GLM-5.3-Flash、DeepSeek-V4.1-Flash 這種幾十到幾百 GB，帳面上幾乎沒人種。口號是 forever，現況是 index 活著、swarm 幾乎空的。 Claim yours 👇

🔭 Anthropic 刚开源了 fermats-last-theorem 这个仓库，把费马大定理的完整证明写成了机器能逐行验证的代码。 用的是 Lean 4.33.1 加 Mathlib，从零跑一次构建编译了 60475 个模块，每一条声明都过了 Lean 内核检查，按 Apache 2.0 协议放出来。 数学证明这件事，过去只能靠人读、靠同行评议。一篇几百页的论文，谁能担保第三百页某个引理没藏着漏洞？费马大定理这种量级的，全世界能完整读懂的人本来就没几个。 fermats-last-theorem 把整条证明路线，也就是 Frey、Serre、Ribet、Wiles 和 Taylor-Wiles 那一串论证，全部翻译成 Lean 代码交给机器检查。默认构建目标里带一道公理审计：整个证明只允许依赖 propext、Classical.choice、Quot.sound 这三条 Lean 标准公理，不许出现 sorry，不许偷偷加公理，不许用 native_decide。团队还找了两个独立检查器复核，leanprover 的 comparator 给的结论是“Your solution is okay!”，Rust 写的第三方 Lean 内核 nanoda 报告“Checked 1052234 declarations with no errors”。 代价也明明白白摆着：完整构建用 96 个并行任务跑了 5 小时 32 分，峰值内存 153 GB；comparator 那一遍又跑了 14 小时 46 分，峰值 230 GB。仓库另附一个 390 MB 的静态网页版，两万九千多个定理页面可以点着看。 要说明的是，这是一次性的研究产物，官方写明不再维护、不接受贡献。 好在证明写完就不会变了，这大概是少数几种真的不需要维护的代码。 GitHub：

🔊 兄弟们，一整部英文视频丢给 VideoLingo，它能给你翻好字幕再配上音，配音还能克隆原来的声线。 GitHub 上 1.8 万 star、2000 多个 fork，Apache 2.0 协议。 想把一个好的英文教程搬给不看英文的人，以前的流程是：下载、跑一遍识别、导出字幕、扔进翻译工具、回来对时间轴、再找配音、最后合成，中间任何一步断了都得重来。VideoLingo 把这一串接成一条流水线，链接丢进去，用 WhisperX 做词级识别和对齐，翻译前先过一遍术语表统一专有名词，最后输出单行字幕，还能直接生成配音。 配音这边接了 GPT-SoVITS、Azure、OpenAI、Fish 和 Edge TTS，想全本地跑就上 Ollama 加 Edge TTS。界面是 Streamlit 的，任务能暂停、恢复和停止，长视频不用守着。输入语言覆盖英、俄、法、德、意、西、日、中。 也有几个已知的坎：背景噪音大会影响对齐精度，以数字或特殊符号结尾的字幕可能被提前截断，多语言混杂的视频只保留主语言，目前还不支持按角色分别配音。 以前一个字幕组干的活，现在一条流水线就跑完了。 GitHub：

吴说获悉，BitMEX 联合创始人、Flop Labs CEO Arthur Hayes 表示，面向 AI Agent 的通信工具 Technocore chat 已上线。该服务由 Flop Labs 开源，采用 Apache-2.0 许可，无需注册账号或安装客户端，AI Agent 仅通过普通 HTTP 请求即可发送和读取消息、保存笔记及发现公开聊天室，并支持 DID 与 Ed25519 签名身份。Hayes 称，Technocore chat 将作为 Flop Labs Agent 经济的通信工具。

🏦 把 Jira、Trello、ClickUp 的月费省下来，这个开源项目自己部署一份就能当项目管理台用。 GitHub 上 1763 stars，Apache 2.0 协议，代码全开，团队再多人也不用按人头交订阅。 以前团队要开一个新迭代，得有人在 Jira 里点半天：建 sprint、拆任务、指派人、写验收条件，最后还要手动同步一份文档出来。Paca 把这套搬到自己服务器上，Scrumban 看板、迭代、BDD 场景编辑和系统设计文档在一个界面里，改动实时推给所有人。 更有意思的是它自带一个 MCP 服务器，项目、任务、迭代、文档、成员、评论这些都能被 AI 直接操作。你在 Claude 里说一句「把这个 bug 拆成三个任务放进本周迭代」，看板那边就变了，不用再切回浏览器点。 后端 Go 加 Gin，前端 React，插件走 WebAssembly，想自己加东西不用改主干。 团队协作工具收费收到人头上的时代，可能真要过去了。 GitHub：

🔌 把大模型搬进自己电脑的开源桌面应用，聊天记录不用交出去。 GitHub 上 4.4 万 Star，Apache 2.0 许可证，Windows、macOS、Linux 三个平台都有。 平时想问 AI 一个涉及公司内部资料的问题，总要先在心里过一遍这段能不能发出去，权衡半天最后干脆放弃。Jan 的解法是让模型直接跑在你自己机器上：从 Hugging Face 拉一个 Llama、Gemma 或者 Qwen 下来，整段对话都在本机完成。真需要更强的模型时再切到 OpenAI、Anthropic、Mistral 这些云端服务，本地和云端在同一个界面里随时换。 它还在本机 1337 端口开了一个 OpenAI 兼容接口，你原来那些调 OpenAI 的脚本，把地址一改就能指向本地模型跑，业务代码一行不用动。另外它也接了 MCP，能给自己建的助手挂上外部工具。 数据放在哪，心里踏实的程度是完全不一样的。 GitHub：

🛠️ 卧槽，一整套本地 AI 服务被打包成了一个安装程序，聊天、语音、画图、知识库和自动化全在里面 GitHub 上 4600 多 star，Apache 2.0 协议，Linux、Windows 和 macOS 都有安装程序 想在自己机器上跑本地模型的人都懂那个过程：Open WebUI 一套编排，llama-server 自己折腾，语音转文字和语音合成各配一遍环境，画图的 ComfyUI 又是另一套依赖，全装完还得记住哪个端口对应哪个服务，重启一次挂两个。 这个项目全称叫 Osmantic Deployment System，把 Open WebUI、llama-server、LiteLLM、Whisper、Kokoro、n8n、Qdrant、SearXNG 和 ComfyUI 编排到一起，安装时先检测硬件再帮你挑模型，之后所有服务在同一个界面里起停。推理支持本地、云端和混合三种模式，日常活全跑本地，机器扛不动的再甩给云端。 本地 AI 最难的从来不是模型，是把一堆服务凑到一块还都活着。 GitHub：